ИИ ускорил создание дашбордов, но не сделал их полезнее

ИИ научился собирать дашборды за вечер. Почему они не стали полезнее? Еще несколько лет назад подготовка нового дашборда для команды могла занимать месяцы: исследование аналитиков, интервью стейкхолдеров, выбор метрик, а затем кропотливая верстка и проверка в несколько итераций. Сегодня черновик дашборда ИИ собирает за вечер. И выяснилось неприятное: свободные руки разработчиков никогда не были главным ограничением. Мы проанализировали фреймворк Dashboard Canvas, о котором несколько лет назад рассказывал Роман Бунин читателям нашего блога (сама статья — здесь). И поделимся тем, что за это время изменилось вместе с внедрением ИИ в работу. Самый трудный блок в фреймворке Dashboard Canvas — вопросы и бизнес-решения. Заказчик говорит «хочу следить за метриками», и эту фразу нужно превратить в правило действия: — если retention проседает, запускаем рассылку по конкретным сегментам; — если менеджер не выполняет план, руководитель открывает его сделки и ищет те, которые поможет закрыть. Пока у метрики нет порога и следующего шага, на экране просто красивая картинка. ИИ может предложить варианты действий, но не определит за команду, какие решения она действительно готова принимать и на каких условиях. Второе, что подорожало, — данные. Модель уверенно напишет запрос к таблице, где сделки дублируются, а план лежит в экселе с другими написаниями фамилий менеджеров. График будет аккуратным и неверным, сама аккуратность только добавит доверия к ошибке. Поэтому недостаточно правильно поставить задачу модели. Нужно проверить источники, логику расчета и итоговые цифры. ИИ ускоряет работу с данными, но не отменяет ответственность за их качество. Подробнее об этом и том, как повысить качество ответов ИИ, мы говорили в недавнем подкасте. Третье — контекст. Кто откроет дашборд, когда, на каком экране и что сделает дальше. Нужна ли мобильная версия, как часто обновлять данные, нужно ли обновление в реальном времени — все решается вопросом: что я сделаю, если увижу это прямо сейчас? Если ответ «расстроюсь», эта опция не нужна, как бы легко это теперь ни было собрать. Что действительно изменилось к лучшему — цена итерации. Раньше ошибку в требованиях находили после недель разработки. Теперь за вечер можно показать заказчику три черновика и сразу после изучения макета услышать: «я смотрю это на стендапе с ноутбука, мне нужна одна цифра сверху». Скорость в доработке прототипа позволяет быстрее собирать обратную связь на кастдевах и итеративно улучшать его. Обратная сторона дешевизны — дашборды плодятся. Когда новый отчет стоит час, их появляется сорок, и ни один не отвечает на вопрос, ради которого его делали. Обычно делают два типа отчетов: обзорный отвечает на вопрос «как у нас дела в целом?», аналитический — «почему именно так?». Разделять отчеты и иметь возможность перейти из одного в другой по клику должно стать базовым правилом работы с ними. Если коротко: ИИ ускорил создание дашбордов и проверку гипотез о том, как они должны выглядеть. Но не снял с команды ответственность за главное: понять, какие решения должен поддерживать отчет и можно ли доверять данным. Именно в этих шагах остаются самые ценные инсайты. Хорошая новость в том, что на них наконец-то появилось больше времени и когнитивных ресурсов. Подробно про Dashboard Canvas, список вопросов к заказчику, принципы верстки и архитектуру отчетов — в статье. Читать статью ➡️ @productmindset